About the role
Na CI&T , ajudamos grandes empresas a transformar o potencial da AI em impacto real nos negócios com AI Deployment, execução AI-native e tech-integrated business solutions.
Com 30 anos de experiência em transformação tecnológica, aceleramos inovação com expertise em agentic SDLC, application modernization, Data & AI, martech e business strategy.
Somos 8.000 CI&Ters em mais de 25 países, colaborando para construir soluções com impacto real. AI já faz parte da forma como trabalhamos, evoluímos e inovamos todos os dias.
Importante: se você reside na Região Metropolitana de Campinas, sua presença nos escritórios da cidade será obrigatória, conforme a política de frequencia vigente.
Estamos em busca de um AI Machine Learning Engineer experiente e apaixonado por transformar dados em soluções inteligentes que geram impacto real no negócio. Você será responsável por desenvolver, implementar e otimizar modelos de machine learning em produção, trabalhando em um ambiente moderno e colaborativo com tecnologias de ponta.
Responsabilidades
Experiência sólida com desenvolvimento e deploy de modelos de Machine Learning
Python avançado com experiencia em PySpark e bibliotecas de ML/DL (scikit-learn, TensorFlow, PyTorch, XGBoost, etc.)
Familiaridade com arquiteturas de GenAI: Amazon Bedrock ou similar, RAG pipelines, vector databases (pgvector, OpenSearch, Pinecone), e integração com APIs de LLMs
Apache Airflow para Construção e gerenciamento de DAGs complexos
Experiencia com Snowflake e Conhecimento em DBT
Sólido conhecimento em banco de dados relacional e SQL
Spec-driven development (especificação como input primário da AI)
Domínio sólido de SDLC (design → build → test → deploy → operate)
Uso avançado de AI no desenvolvimento (codegen, testes, refactor, debugging)
Construção de agentes (multi-step, tool usage, planning + execution)
Criação de skills reutilizáveis e composição de capacidades
Integração via MCP (Model Context Protocol) ou equivalente
Criacao de slash-commands / interfaces operacionais baseadas em prompt estruturado
Orquestração de workflows (multi-agente ou humano + agente)
Integração com ferramentas (Git, CI/CD, issue tracking, observabilidade)
Avaliação crítica de outputs de AI (qualidade, segurança, consistência)
Boa comunicação e resiliência.